SWeeP: representing large biological sequences datasets in compact vectors

dc.creatorCamilla Reginatto De Pierri
dc.creatorRicardo Voyceik
dc.creatorLetícia Graziela Costa Santos de Mattos
dc.creatorMariane Gonçalves Kulik
dc.creatorJosué Oliveira Camargo
dc.creatorAryel Marlus Repula de Oliveira
dc.creatorBruno Thiago de Lima Nichio
dc.creatorJeroniza Nunes Marchaukoski
dc.creatorAntonio Camilo da Silva Filho
dc.creatorDieval Guizelini
dc.creatorJosé Miguel Ortega
dc.creatorFábio de Oliveira Pedrosa
dc.creatorRoberto Tadeu Raittz
dc.date.accessioned2026-04-01T23:24:39Z
dc.date.issued2020
dc.description.abstractVectoral and alignment-free approaches to biological sequence representation have been explored in bioinformatics to efficiently handle big data. Even so, most current methods involve sequence comparisons via alignment-based heuristics and fail when applied to the analysis of large data sets. Here, we present “Spaced Words Projection (SWeeP)”, a method for representing biological sequences using relatively small vectors while preserving intersequence comparability. SWeeP uses spaced-words by scanning the sequences and generating indices to create a higher-dimensional vector that is later projected onto a smaller randomly oriented orthonormal base. We constructed phylogenetic trees for all organisms with mitochondrial and bacterial protein data in the NCBI database. SWeeP quickly built complete and accurate trees for these organisms with low computational cost. We compared SWeeP to other alignment-free methods and Sweep was 10 to 100 times quicker than the other techniques. A tool to build SWeeP vectors is available at https://sourceforge.net/projects/spacedwordsprojection/.
dc.identifier.doihttp://dx.doi.org/10.1038/s41598-019-55627-4
dc.identifier.issn2045-2322
dc.identifier.urihttps://hdl.handle.net/1843/2331
dc.languageInglêspt_BR
dc.publisherUniversidade Federal de Minas Gerais
dc.relation.ispartofScientific Reports
dc.rightsAcesso aberto
dc.subjectBiologia computacional
dc.subjectAnálise de sequência
dc.subject.otherComputational models
dc.subject.otherData mining
dc.titleSWeeP: representing large biological sequences datasets in compact vectors
dc.title.alternativeSWeeP: representando grandes conjuntos de dados de sequências biológicas em vetores compactos
dc.typeArtigo de periódico
local.citation.epage10
local.citation.spage1
local.citation.volume10
local.description.resumoAbordagens vetoriais e sem alinhamento para a representação de sequências biológicas têm sido exploradas em bioinformática para lidar eficientemente com grandes volumes de dados. Mesmo assim, a maioria dos métodos atuais envolve comparações de sequências por meio de heurísticas baseadas em alinhamento e falha quando aplicadas à análise de grandes conjuntos de dados. Aqui, apresentamos o “Spaced Words Projection (SWeeP)”, um método para representar sequências biológicas usando vetores relativamente pequenos, preservando a comparabilidade entre sequências. O SWeeP utiliza palavras espaçadas, percorrendo as sequências e gerando índices para criar um vetor de dimensão superior que é posteriormente projetado em uma base ortonormal menor e orientada aleatoriamente. Construímos árvores filogenéticas para todos os organismos com dados de proteínas mitocondriais e bacterianas no banco de dados do NCBI. O SWeeP construiu rapidamente árvores completas e precisas para esses organismos com baixo custo computacional. Comparamos o SWeeP com outros métodos sem alinhamento e o SWeeP foi de 10 a 100 vezes mais rápido que as outras técnicas. Uma ferramenta para construir vetores SWeeP está disponível em https://sourceforge.net/projects/spacedwordsprojection/ .
local.publisher.countryBrasil
local.publisher.departmentICB - DEPARTAMENTO DE BIOQUÍMICA E IMUNOLOGIA
local.publisher.initialsUFMG
local.subject.cnpqCIENCIAS BIOLOGICAS
local.url.externahttps://www.nature.com/articles/s41598-019-55627-4

Arquivos

Pacote original

Agora exibindo 1 - 2 de 2
Carregando...
Imagem de Miniatura
Nome:
license.txt
Tamanho:
2.15 KB
Formato:
Plain Text
Descrição:
License file
Carregando...
Imagem de Miniatura
Nome:
SWeeP representing large biological sequences datasets in compact vectors.pdf
Tamanho:
567.27 KB
Formato:
Adobe Portable Document Format

Licença do pacote

Agora exibindo 1 - 1 de 1
Carregando...
Imagem de Miniatura
Nome:
license.txt
Tamanho:
2.07 KB
Formato:
Item-specific license agreed to upon submission
Descrição: